Émissions de GES

Toutes choses égales par ailleurs, le changement climatique à horizon “H2”, conduirait à aug- menter les émissions de protoxyde d’azote de façon significative et à diminuer faiblement les émissions de méthane. Ce résultat est simulé dans la plupart des pays, avec néanmoins des écarts importants (Figure 3.2). Cet effet serait accru par l’adaptation des pratiques agricoles et on peut l’expliquer de la façon suivante.

(a) Émission CH4 A2H2 B1H2 A2H2−A B1H2−A −10 −5 0 5 −10 −5 0 5 BE DK DE GR ES FR UK IR IT LU NL AT PT FI SE BE DK DE GR ES FR UK IR IT LU NL AT PT FI SE Pays V ar iation relativ e d'émission de méthane (%)

Scenario: A2H2 B1H2 A2H2−A B1H2−A

(b) Émission N2O A2H2 B1H2 A2H2−A B1H2−A 0 10 20 0 10 20 BE DK DE GR ES FR UK IR IT LU NL AT PT FI SE BE DK DE GR ES FR UK IR IT LU NL AT PT FI SE Pays V ar iation relativ e d'émission de proto xyde d'az ote (%)

Scenario: A2H2 B1H2 A2H2−A B1H2−A

Figure 3.2: Variations relatives (%) des émissions (a) de méthane et (b) de protoxyde d’azote par rapport au scénario de référence (CTL), calculées pour les pays de l’UE- 15 dans les SRES “A2” et “B1” à horizon “H2”, sans et avec adaptation des pratiques agricoles.

La hausse des émissions de N2O est liée à la consommation d’intrants azotés, qui augmente avec les rendements et une productivité marginale plus favorable. Sans variation notable des prix re- latifs (prix des intrants par rapport à ceux des produits), on pourrait assister à la poursuite de la tendance observée ces dernières décennies avec une consommation mondiale d’engrais azotés multipliée par sept entre 1960 et 1995 (Tilman et al.,2002). La faible baisse simulée des émis- sions de CH4 s’explique dans le modèle par le fait que les productions fourragères, en particulier les prairies, sont en baisse et sont compensées par des aliments moins méthanogènes, même si la consommation d’aliments concentrés -de plus grande efficacité énergétique- baisse. S’y ajoute la légère baisse des effectifs animaux. La hausse des productions de céréales profite aussi à l’alimentation animale “sur la ferme”. Compte tenu de leurs pouvoirs radiatifs respectifs, les émissions totales de GES d’origine agricole augmenteraient significativement, d’autant plus que serait intégrée l’adaptation des systèmes vis-à-vis du changement climatique.

L’effet d’une taxe (de 0 à 80AC/t-eqCO2) sur les émissions de GES d’origine agricole a été étudié, afin de simuler la combinaison de l’atténuation des émissions par la régulation économique, d’une part, et des capacités d’adaptation des systèmes de production agricole, d’autre part. La régula- tion économique prend ici la forme d’une taxe directe sur les émissions. Illustrés par lesFigure 3.3, les résultats de simulation montrent que les baisses d’émissions de GES attendues suite à l’introduction de la taxe diffèrent fortement, selon le scénario, avec de surcroît des différences importantes qui peuvent se dessiner d’un pays à l’autre. Les variations moyennes européennes montrent le caractère déterminant de l’adaptation.

(a) par région européenne

A2H2 A2H2−A B1H2 B1H2−A

tax : 20€/t−eqCO2 tax : 40€/t−eqCO2 tax : 60€/t−eqCO2 tax : 80€/t−eqCO2 Regional variation of total non−CO2 emission (%) (18,22] (12,18] (4,12] (0,4] (−4,0] (−18,−4] (−28,−18] (−36,−28] (−40,−36] (−48,−40] (b) pour l’UE-15

Figure 3.3: Variations relatives (%) des émissions totales européennes de GES d’origine agricole en selon les régions européennes, par rapport au scénario de référence (CTL),

en fonction de différents niveaux de taxe sur les émissions (AC/t-eq CO2) pour les quartes

scénarios étudiés.

3.4

Conclusion et Perspectives

Le changement climatique affectera de manière générale le développement de l’agriculture et de l’élevage par ses effets sur la température, le rayonnement, les précipitations et la concentration

CO2dans l’atmosphère, ce que nous avons analysé dans le cadre de scénarios climatiques de long terme (période 2070-2100).

Le couplage entre les modèles économique AROPAj et agronomique STICS utilisés dans la présente étude permet de prendre en compte les fonctions physiologiques des plantes ainsi que le fonction- nement économique des systèmes de production agricole dans leurs capacités d’adaptation au changement climatique. L’approche est néanmoins encore insuffisamment développée pour les prairies. Nous avons donc proposé une mise en œuvre du couplage, en le complétant par un cal- cul statistique appliqué à des “pseudo-données” issus des résultats d’un couplage entre modèles économique et biophysique réalisé à un niveau de résolution spatiale inférieure (i.e. association des modèles GLOBIOM et EPIC). On obtient par régression linéaire une évolution du rendement potentiel des prairies à un horizon rapproché, évolution dont on extrapole les effets à un hori- zon compatible avec ce qui a été réalisé pour les cultures. En réintégrant l’impact du climat sur les prairies et fourrages, en phase avec les cultures, on espère améliorer la cohérence du modèle agro-économique d’ensemble.

En regard avec les productions animales, le principal résultat serait que l’adaptation des systèmes de production agricole accroîtrait fortement l’impact négatif du changement climatique sur la part de surface dédiée aux prairies. Cela tient à l’amélioration de la productivité marginale de la terre que le modèle de culture confère aux principales cultures de vente, laquelle induit une réalloca- tion des terres en leur faveur. En conséquence, les émissions de GES sont fortement affectées, à la hausse. Quant aux productions animales proprement dites, sans que soient pris en compte les impacts directs du climat (dont on ne dispose pas), les effectifs animaux varieraient peu, toujours toutes choses égales par ailleurs. Mais les grands postes de l’alimentation animale seraient modi- fiés, avec une baisse de l’autoconsommation de fourrages, une hausse de l’autoconsommation de céréales et une baisse de l’alimentation concentrée achetée.

Remerciements

La recherche conduisant à ces résultats a été financée par le projet “VALIDATE” de l’Agence Na- tionale pour la Recherche (ANR/2008-2012), dans le cadre de l’accord de subvention n◦ANR-07- VULN-11-011, et par le projet européen “AnimalChange” financé, dans le cadre du 7e programme cadre de la Communauté Européenne - FP7/2007-2013, par l’accord de subvention n◦266018. Cette recherche s’inscrit dans le travail de thèse de Parisa Aghajanzadeh-Darzi, financé conjoin- tement par l’Agence de l’Environnement et de la Maîtrise de l’Energie (ADEME) et l’Institut National de la Recherche Agronomique (INRA).

Aghajanzadeh-Darzi, P., Frank, S., Havlik, P., & Jayet, P.-A. (2013). Global change challenges for the Eun agricultural sector: A multi-scale model analysis. In Congrès EAERE, Toulouse. AnimalChange-FP7 (2012). Model linkages between GLOBIOM, CAPRI and AROPAj for simula-

tions of long-term climate change scenarios. Technical report, Joint Research Centre (JRC), Institute for Environment and Sustainability.

Bakkened, M., Eickhout, B., & Alkemade, R. (2006). Impacts of different climate stabilisation scenarios on plant species in Europe. Global Envir, 16, 19–28.

Cantelaube, P., Jayet, P.-A., Carré, F., Zakharov, P., & Bamps, C. (2012). Geographical downscal- ing of outputs provided by an economic farm model calibrated at the regional level. Land Use Policy, 29, 35–44.

De Cara, S., Houzé, M., & Jayet, P.-A. (2005). Methane and nitrous oxide emissions from agri- culture in the EU: a spatial assessment of sources and abatement costs. Environmental and resource economics, 32(4), 551–583.

De Cara, S. & Jayet, P. (1999). Evaluation et régulation de l’effet de serre d’origine agricole. L’Actualité Economique, 75(4), 597–623.

De Cara, S. & Jayet, P. (2000). Régulation de l’effet de serre d’origine agricole: puits de carbone et instruments de second rang. Economie et Prévision, 143-144, 37–46.

De Cara, S. & Jayet, P.-A. (2011). Marginal abatement costs of greenhouse gas emissions from European agriculture, cost effectiveness, and the EU non-ETS burden sharing agreement. Ecological Economics, 70, 1680–1690.

Fischer, G., Shah, M., & van Velthuizen, H. (2002). Climate Change and Agricultural Vulnera- bility, Special Report to the UN World Summit on Sustainable Development, Johannesburg 2002. Technical report, International Institute for Applied Systems Analysis under United Nations Institutional Contract Agreement No. 1113.

Galko, E. & Jayet, P.-A. (2011). Economic and environmental effects of decoupled agricultural support in the EU. Agricultural Economics, 42, 605–618.

Godard, C., Roger-Estrade, J., Jayet, P.-A., Brisson, N., & Le Bas, C. (2008). Use of available information at a European level to construct crop nitrogen response curves for the regions of the EU. Agricultural Systems, 97, 68–82.

Hanson, J.-D. & Baker, B.-B. (1993). Comparaison of the effects of different climate change scenarios on rangeland livestock production. Agricultural Systems, 41, 487–502.

Leclere, D., Jayet, P.-A., & De Noblet-Ducoudré, N. (2013). Farm-level autonomous adaptation of European agricultural supply to climate change. Ecological Economics, 87, 1–14. Moreau, J.-C. & Lorgeou, J. (2007). Premiers éléments de prospective sur les conséquance des

changements climatiques: impacts sur les prairies, le maïs et les systèmes fourragers. Four- rages, 191, 285–295.

Ruget, F., Clastre, P., Moreau, J.-C., Cloppet, E., Souverain, F., Lacroix, B., & Lorgeou, J. (2012). Conséquences possibles des changements climatiques sur la production fourragère en France. i. estimation par modélisation et analyse critique. Fourrages, 210, 87–98.

Soussana, J.-F., Tessonneyre, F., Picon-Cochard, C., Casella, E., Besle, J.-M., Lherm, M., & Loiseau, P. (2002). Impacts des changements climatiques et atmosphériques sur la prairie et sa production. Fourrages, 169, 3–24.

Tilman, D., Cassman, K.-G., Matson, P.-A., Naylor, R., & Polasky, S. (2002). Agricultural sus- tainability and intensive production practices. Nature, 418, 671–677.

Topp Cairistiona, F.-E. & Doyle Christopher, J. (1996). Simulating the impact of global warming on milk and forage production in scotland: 1. the effects on dry-matter yield of grass and grass-white clover scwards. Agricultural Systems, 52, 213–242.

Chapter 4 :

Valorisation économique de la produc-

tion consommée sur la ferme

Ce chapitre vise à calculer les prix fictifs de productions entièrement ou partielle- ment consommées sur la ferme. Lorsque les produits sont utilisés dans les exploita- tions agricoles, aucun prix de marché n’est disponible pour évaluer leur valeur économique. Nous proposons une méthode itérative simple afin d’attribuer une valeur économique à ce type de produit.

Improvement of a bio-economic

mathematical programming model in

the case of on-farm source inputs and

outputs

Aghajanzadeh-Darzi, P.a,b, Jayet, P.A.a,∗, Petsakos, A.a

a_{. INRA, UMR 210 Economie Publique INRA-AgroParisTech, 78850 Grignon, France} b_{. ADEME, French Environment and Energy Management Agency, 49004 Angers, France}

Abstract

This paper presents a two-step process for solving nonlinear farm activity models and for estimat- ing shadow prices inside a linear framework. Nonlinearities, originating from explicit production- output relations in the objective function are simplified by solving the first order optimality con- ditions under the assumption that market prices provide the “true” values of the model’s implied shadow prices. When outputs are not sold on the market or, more generally, in the case of bounds, thresholds or missing prices, the previous assumption is not justified and the derived solution is not optimal. The question raised in this paper is how to estimate the shadow prices for such out- puts in order to efficiently solve the activity model using linear programming (LP) so as to avoid nonlinear algorithms that may prove unwieldy for large models. An iterative computation method is proposed which is based on the re-estimation of shadow prices in each iteration step until a con- verging solution is found. The method is applied to the bio-economic agricultural supply model

AROPAj which consists of a number of LP farm sub-models and covers a large range of agricul- tural activities over the European Union. A converging solution is obtained in two iterations for 90% of LPs producing non marketed outputs, while remaining LPs lead to periodic solutions of very low amplitude.

Keywords: Bioeconomic farm model; Mathematical programming; On-farm source products; Shadow prices

JEL Classification: Q10; Q15; Q50; Q57

4.1

Introduction

An important part of agricultural production is not sold on the market but can serve as input (intermediate products) for other farm activities or consumed in the household. The problem with inputs that are produced in the farm is that their true economic value is not defined in market terms (through a supply – demand equilibrium), but instead it is given by the opportunity cost for producing them. This opportunity cost can be interpreted as a shadow price that results from the farmer’s profit (or utility) maximization problem and therefore it depends on the technological, resource and other constraints faced by the farmer.

The estimation of shadow prices for farm products that are consumed in the household has been examined in the literature of subsistence agriculture and household theory in the context of inves- tigating the reason for certain farmers’ unresponsive behaviour to price incentives, which contra- dicts the classical economic paradigm of utility or profit maximization. Arslan & Taylor(2009) identify several reasons for which such behaviour is possible, all related with the non-market val- ues that farmers attach to their agricultural production. Examples of non-market values include transaction costs or certain social attributes of crop growing activities (e.g. maintaining a family tradition). In either case, non-market values yield shadow prices that differ from market prices and lead to market failure. Although the Karush-Kuhn-Tucker (KKT) conditions of the basic house- hold model and its extensions provide important insights on the true value of subsistence crops (e.g.Singh et al.,1986;De Janvry et al.,1991;Dyer et al.,2006;Arslan,2011), market failures are farm- and not crop-specific because different farms are subject to different transaction costs and use different production technologies. In this sense, the estimation of crop shadow prices requires a mathematical programming approach where the household model is analytically solved with all its constraints (e.g.Taylor & Adelman,2003).

Missing market prices also apply for agricultural by-products that can influence production costs and the environmental impacts of farming when they are used as inputs for other activities. A typical example is animal manure which represents not only a source of pollution (e.g. nitrates)

but also a valuable nutrient source for plant growth. Although it can replace, to a certain extent, the use of mineral fertilizers and therefore reduce variable costs, its excessive use may result in additional abatement costs (shadow price) that decrease farm economic efficiency. For this reason the investigation of shadow prices for undesirable outputs has received much attention in studies focusing on efficiency measurements of farm productivity. The procedure for estimating shadow prices of undesirable outputs in efficiency studies relies on the principles of duality theory and the relation between the output (input) distance function and the revenue (cost) function. More specif- ically, shadow prices are usually derived by applying duality relations (e.g. Shepherd’s lemma) to input or output distance functions which in turn can be estimated using either econometric or mathematical programming methods (e.g.Färe et al.,1989,1993;Piot-Lepetit & Vermersch,1998;

Shaik et al.,2002).

Although shadow prices play an important role to economic analyses, in this article we look into the problem of shadow price estimation from the perspective of an analyst who seeks to find an optimal solution to a complex mixed integer nonlinear programming (MINLP) model, such as the agricultural supply model AROPAj. Although many efficient MINLP solvers are available, the size of the model (32 crop and pasture activities and 31 animal categories) and the integer variables related to animal activities form a problem that is difficult to solve. For this reason a two-step solving procedure has been developed that “linearizes” the model but relies heavily on the use of the first order optimality conditions and on the a priori knowledge of a set of shadow prices. This requirement is obviously problematic since shadow prices depend not only on the technology and resource constraints of the producing farm but are also implicitly defined as a function of other primal decision variables; quantities and prices are both variables of the problem and the market seldom provides the correct value that farmers attribute to their activities. A second inconvenience is that the shadow prices corresponding to intermediate products have not received the proper attention in the literature, unlike undesirable outputs and goods that are consumed in the household. As a result, there are no estimations of shadow prices that can serve as reliable proxies for model solving and nonlinear programming algorithms are required.

In this paper we identify the conditions under which the two-step “linearization” procedure can indeed return an optimal solution to a farm model if intermediate products and agricultural by- products are included as decision variables. When these conditions are not met, we propose a computational method based on iterative model solving which begins with replacing the shadow prices by market price proxies and solving the optimality conditions with respect to each decision variable. The method leads to the re-estimation of shadow prices after each iteration which are then re-used for solving the first order conditions in the next iteration. The procedure ends when a converging solution is reached. We argue that the computational method can serve as an efficient means of shadow price estimation and for solving a nonlinear optimization model inside a simple linear framework, especially in cases where a market does not exist.

inside a general modeling framework where crop and animal outputs may be subject to production quotas and can be used partially or entirely by the same producing farm. InSection 4.3we test the proposed methodology on the model AROPAj and look into the behaviour of the iterative system and the final converging solution. The paper ends with a short discussion section where we summarize and identify possible extensions of the proposed methodology.